HMM(參數訓練無監督方法EM)__演算法

隱馬爾可夫事實上是一個含有隱變數的機率模型
P(O|λ)=∑IP(O,I|λ)P(I|λ) P(O|\lambda) = \sum_{I}P(O,I|\lambda)P(I|\lambda)
它的訓練可以用EM演算法（上文已講）
1、首先確定完全資料的對數似然函數，即 p(O,I|λ) p(O,I|\lambda)
2、E-step：完全資料的期望，即Q函數 Q(λ,λ¯) Q(\lambda,\overline{\lambda}) Q(λ,λ¯)=∑IlogP(O,I|λ)p(O,I|λ¯) Q(\lambda,\overline{\lambda}) = \sum_{I}logP(O,I|\lambda)p(O,I|\overline{\lambda}) 其中 logP(O,I|λ)=πi1bi1(o1)ai1i2....aiT−1iTbiT(oT) logP(O,I|\lambda)=\pi_{i_1}b_{i_1}(o_1)a_{i_1i_2}....a_{i_{T-1}i_T}b_{i_T}(o_T) 則Q函數可以寫成
Q(λ,λ¯)=∑IlogP(O,I|λ)p